基于主动学习方法结合 Ghost Gutzwiller 近似模拟强关联物质
强关联电子
2024-03-07 v2
摘要
诸如 Ghost Gutzwiller Approximation (gGA) 之类的量子嵌入 (QE) 方法为模拟强关联系统提供了一种强大的途径，但面临迭代计算辅助嵌入哈密顿量 (EH) 基态的计算瓶颈。在这项工作中，我们引入了一个集成在 gGA 内的主动学习 (AL) 框架来应对这一挑战。该方法被应用于单带 Hubbard 模型，并导致必须求解 EH 的实例数量显著减少。通过主成分分析 (PCA)，我们发现 EH 参数形成了一个低维结构，该结构在很大程度上与系统的几何细节无关，尤其是在强关联区域。我们的 AL 策略使我们能够即时发现这种低维结构，同时利用它来降低 gGA 的计算成本，为更高效地模拟复杂强关联材料奠定了基础。
引用
@article{arxiv.2312.05343,
title = {Active Learning approach to simulations of Strongly Correlated Matter with the Ghost Gutzwiller Approximation},
author = {Marius S. Frank and Denis G. Artiukhin and Tsung-Han Lee and Yongxin Yao and Kipton Barros and Ove Christiansen and Nicola Lanatà},
journal= {arXiv preprint arXiv:2312.05343},
year = {2024}
}
备注
14 pages, 13 figures